سود:
- توانایی ارائه دقت قطعی با ساختار داده های ESG پراکنده و انجام تبدیل واحد با کد/فرمول اجرایی به جای دستی
- امکان علامت گذاری شکاف های داده به عنوان پروکسی (پیش بینی) بدون برازش و حل شمارش باینری و پرت با بازگشت به منبع
- امکان ردیابی داده ها با ایجاد یک مسیر حسابرسی که هر مورد دیجیتال را به منبع آن متصل می کند
در زیر هر گزارش پایداری، یک کار آرام اما به یاد ماندنی نهفته است: جمع آوری داده ها. حتی یک شرکت متوسط قبوض برق و گاز طبیعی، رسید سوخت، اسناد انتقال زباله، دادههای کارکنان را از سیستمهای منابع انسانی، پاسخهای نظرسنجی از تامینکنندگان و سوابق سفر از دهها مرکز جمعآوری میکند. بیشتر این داده ها پراکنده، در قالب های مختلف، در واحدهای مختلف هستند و اغلب به صورت دستی وارد می شوند. کیفیت یک گزارش از دقت این داده های خام ناشی می شود، نه از جذاب ترین نمودار آن. در این بخش، نحوه استفاده ایمن از هوش مصنوعی (AI) را برای جمع آوری، تمیز کردن و مدیریت این داده های آشفته یاد خواهید گرفت.
اول، یک مفهوم: کیفیت داده به این معنی است که داده ها دقیق (منعکس کننده حقیقت)، کامل (کامل)، سازگار (غیر متناقض)، به موقع و قابل ردیابی هستند (منبع آن مشخص است). رایج ترین مشکل کیفیت در ESG این است که داده ها غیرقابل ردیابی هستند تا نادرست: یک عدد وجود دارد، اما "از کجا آمده است؟" هیچ پاسخی برای سوال وجود ندارد. این دقیقاً همان چیزی است که حسابرس مستقل اطمینان (کارشناس خارجی که گزارش را تأیید می کند) می پرسد. بنابراین ستون فقرات این واحد یک مفهوم واحد است: دنباله حسابرسی - زنجیره ای از سوابق که نشان می دهد هر موضوع از کدام سند، در کدام تاریخ، تحت چه فرضی آمده است.
سه مشکل معمولی با داده های ESG
1. هرج و مرج واحد. یکی از تاسیسات برق را بر حسب کیلووات ساعت، دیگری بر حسب مگاوات ساعت و سومی بر حسب GJ (گیگاژول) گزارش می دهد. اگر همه آنها قبل از اضافه کردن به یک واحد تبدیل نشوند، نتیجه بی معنی است. از آنجایی که 1 مگاوات ساعت = 1000 کیلووات ساعت، اگر واحد حذف شود، 1000 بار خطا رخ می دهد.
2. شکاف داده. فاکتور سه ماهه ملک موجود نیست. شکاف یا با داده های واقعی یا با یک تخمین واضح بیان شده پر می شود: به عنوان مثال، میانگین ماه های مشابه. نکته مهم این است که پیش بینی را پنهان نکنید. علامت گذاری آن به عنوان "داده های تخمینی" در گزارش است.
3. مضاعف شمارش و ناهماهنگی. همان سوخت دو بار جمع آوری می شود اگر هم در ناوگان خودرو و هم در ژنراتور محاسبه شود. هوش مصنوعی به کشف چنین تضادهایی کمک می کند اما نمی تواند تصمیم نهایی را بگیرد.
مشکل
علامت
رویکرد درست
هرج و مرج واحد
kWh/MWh/GJ مختلط
تبدیل به واحد واحد، تبدیل را با کد انجام دهید
شکاف داده
ماه/ تسهیلات گمشده
از پروکسی استفاده کنید، آن را به عنوان "تخمینی" علامت گذاری کنید
شمارش باینری
همان قلم در دو جا
منبع را به یک نقطه پین کنید
غیر قابل ردیابی
تعداد با منشا ناشناخته
پیوند به جدول پیگیری حسابرسی
نکته: قانون طلایی در پاکسازی داده ها: "هرگز به داده های خام دست نزنید، روی یک کپی کار کنید." فاکتورها و سوابق اصلی بدون تغییر نگهداری می شوند. کلیه اصلاحات و تبدیل ها در یک فایل کاری جداگانه و با توجیه انجام می شود. به این ترتیب، حسابرس همیشه می تواند به حقیقت اصلی بازگردد.
گام به گام: گردش کار داده ها را با هوش مصنوعی ایمن کنید
1. داده ها را جمع آوری کنید و آن را همانطور که هست نگه دارید. فاکتورها و سوابق را به شکل اصلی خود در یک مکان جمع آوری کنید. این "تنها منبع حقیقت" است.
2. پیکربندی کنید. داده های نامرتب را در یک جدول سازمان یافته (گیاه، دوره، آیتم، ارزش، واحد، منبع) مرتب کنید. هوش مصنوعی در قرار دادن متن رایگان یا محتوای PDF در این قالب جدول خوب است.
3. واحدها را با کد اجرایی ترجمه کنید. هوش مصنوعی نداشته باشید که تبدیل واحد و جمع را به صورت دستی انجام دهد. آن را یک فرمول صفحه گسترده یا یک کد کوچک چاپ کنید و کد را اجرا کنید. بنابراین، نتیجه قطعی است (هر بار یکسان و قابل تأیید است).
4. کنترل کیفیت را انجام دهید. از آنها بخواهید موارد پرت (مانند افزایش ناگهانی مصرف تسهیلات 10 برابری)، حذفیات و تناقضات را مشخص کنند. اما هر علامت را با چشم انسان تایید کنید.
5. مسیر حسابرسی را ایجاد کنید. جدول مربوط به هر مورد عددی را به منبع آن کامل کنید. این جدول ستون فقرات گزارش است.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
داده های این تاسیسات را جمع آوری کنید و کل مصرف انرژی را به شما بگویید.
قوانین واحد، منبع و فضا وجود ندارد. هوش مصنوعی میتواند واحدهای مختلف را جمعآوری کند و بیصدا واحدهای گمشده را جبران کند.
اعلان قدرتمند:
نقش شما: تحلیلگر داده ESG. ورودی: جدول تسهیلات-دوره-مقدار-واحد زیر. وظیفه: 1) تبدیل تمام مقادیر انرژی به کیلووات ساعت. فاکتورهای تبدیل را در ستون جداگانه نشان دهید. 2) ساخت کل به صورت دستی. فرمول صفحهگستردهای بنویسید که میتوانم از آن استفاده کنم. 3) مواردی را که گم شده یا صفر به نظر میرسند بهعنوان «مفقود شده - بررسی کنید» علامتگذاری کنید، هرگز خودتان آنها را پر نکنید.
چرا قرار دادن داده ها در کد بسیار مهم است؟
هوش مصنوعی یک تولید کننده متن است. ممکن است هنگام جمع آوری ذهنی لیست های طولانی اعداد اشتباه کند. برعکس، اگر از آن بخواهید یک فرمول یا کد ایجاد کند، محاسبه را دقیقاً در محیط شما اجرا می کند و هر بار همان نتیجه را می گیرد. این تفاوت بین "عددی که هوش مصنوعی می گوید" و "محاسبه قابل کنترل" است.
مجموعهای از فرمولهای Excel/Google Sheets را برای جدول دادههای انتشار زیر بنویسید. نیاز: - در هر ردیف: مقدار × ضریب تبدیل = کیلووات ساعت - مجموع همه کیلووات ساعت - سلولهای گمشده (خالی) را به عنوان NUMBER اضافه کنید. یک "تعداد گمشده" جداگانه را بشمارید، فرمول ها را با مراجع سلولی توضیح دهید تا بتوانم آنها را به صورت دستی اعمال کنم. ساختار جدول: A = تسهیلات، B = دوره، C = مقدار، D = واحد
احتیاط: به اعدادی که هوش مصنوعی از PDF یا تصویر میخواند توجه بیشتری داشته باشید. خطاهایی مانند 1.100 در مقابل 11.00 یا سردرگمی با کاما نقطه (1.100 در مقابل 1.100) در هنگام خواندن نوری رایج هستند. حداقل چند نمونه را به صورت بصری با سند منبع مقایسه کنید.
سه کیف کوچک
مورد 1 - تله واحد. یک شرکت هلدینگ داده های انرژی 8 تاسیسات را جمع آوری کرد. 7 تاسیسات گزارش شده کیلووات ساعت، 1 تاسیسات گزارش شده مگاوات ساعت. هوش مصنوعی کل را با از دست دادن واحدها در اولین تلاش انجام داد و آن تسهیلات را با ضریب 1000 کاهش داد. کل 3201 مگاوات ساعت بود، در حالی که در واقع 4200 مگاوات ساعت بود. خطا با تبدیل مبتنی بر کد شناسایی و رفع شد.
مورد 2 - پیش بینی مخفی. فاکتور ماه مارس یکی از تسهیلات گم شده بود. این تحلیلگر به هوش مصنوعی گفت که «جای خالی را پر کند». هوش مصنوعی میانگین ماه های همسایه را قرار داد اما آن را مشخص نکرد. حسابرس می پرسد این شماره از کدام فاکتور است؟ وقتی پرسیده شد، منبع پیدا نشد. این روند ثابت شده است: پیش بینی به وضوح به عنوان "پروکسی - میانگین فوریه / آوریل" در گزارش مشخص شده است.
مورد 3 - دوبار شمارش. در یک کارخانه، سوخت ژنراتور تحت هر دو آیتم "سوزاندن ثابت" و "انرژی پشتیبان" وارد می شد. هوش مصنوعی این تکرار را در اسکن تناقض خود پرچم گذاری کرد. تحلیلگر تایید کرد و شمارش مضاعف 6 تن CO2 حذف شد. این بر عهده تحلیلگر بود که سهم هوش مصنوعی را مشخص کند و تصمیم بگیرد.
فرمان کنترل کیفیت
جدول دادههای ESG زیر را بررسی کنید. تشخیص دهید (اما خودتان آن را تصحیح نکنید، فقط علامت بزنید): 1) موارد پرت (مواردی که بیش از 50 درصد از دوره قبل انحراف دارند) 2) اختلاف واحدها3) سلولهای خالی/مفقود4) موارد تکراری احتمالی در جایی که یک مورد یکسان به نظر میرسد، فهرستی از هر یک از دلایل قابل ذکر است که "هر کدام از دلایل ممکن است" را با "علت تصویری" چندین بار نشان دهید. [جدول]
اعلان زیر یک اسکلت جدول نظارت آماده برای ممیزی را تنظیم می کند.
نقش شما: مدیر داده ESG. وظیفه: یک جدول پیگیری حسابرسی برای موارد زیر تهیه کنید. ستون ها: آیتم | ارزش | واحد | نوع سند منبع | شماره سند/تاریخ | مسئول | حدس بزنید (Y/N) | آیا تأیید شده است؟ روی هر خطی که منبع آن ناشناخته است، «SOURCE REQUIRED» را بنویسید. مدادها: [PENSES]
اشتباهات رایج
- اصلاح داده های خام انجام اصلاحات بدون حفظ سوابق اصلی، مسیر حسابرسی را می شکند.
- با داشتن هوش مصنوعی تبدیل واحد را به صورت دستی انجام دهید. افزودن ذهنی در لیست های طولانی مستعد خطا است. از کد/فرمول استفاده کنید.
- پیش بینی را پنهان کنید استفاده از داده های پروکسی مشکلی ندارد. عدم مشخص کردن آن مشکل بزرگی در حسابرسی است.
- حذف بی سر و صدا. دوبرابر کردن مصرف یک تسهیلات ممکن است اشتباه باشد یا نباشد. بدون بررسی نمی توان آن را حذف کرد.
- پذیرش کورکورانه عدد خوانده شده از PDF/تصویر. کنترل نمونه در برابر خطاهای خواندن نوری ضروری است.
به طور خلاصه
ارزش واقعی گزارش ESG در دقت و قابلیت ردیابی داده های آن نهفته است. هوش مصنوعی این یک کمک قدرتمند در ساختار دادههای پراکنده، تولید فرمولهایی برای تبدیل واحد، و علامتگذاری نقاط پرت و تضاد است. اما بزرگترین خطر این نیست که دادهها اشتباه هستند، بلکه این است که قابل ردیابی نیستند. داده های خام را حفظ کنید، تبدیل در کد را انجام دهید، پیش بینی را به وضوح علامت گذاری کنید، و هر عدد را به دنباله حسابرسی گره بزنید. "عدد درست به نظر می رسد" کافی نیست. "I can trace this number to source it" باید الزامی باشد.
وظیفه کاربردی
یک جدول نمونه کوچک با داده ها در حداقل سه واحد مختلف (به عنوان مثال کیلووات ساعت، مگاوات ساعت، لیتر) تهیه کنید. عمداً یک یا دو سلول را خالی بگذارید. با دستور قدرتمند بالا از هوش مصنوعی مجموعه ای از فرمول هایی که این جدول را به یک واحد تبدیل می کند و لیستی از هشدارهای با کیفیت را بخواهید. سپس: (1) فاکتورهای تبدیل را بررسی کنید، (2) بررسی کنید که شکاف ها جبران نشده اند، (3) یک خط دنباله حسابرسی کوچک برای هر مورد بنویسید.
چک لیست
- [ ] من داده های خام را به شکل اصلی نگه داشتم، روی کپی کار کردم.
- [ ] من همه واحدها را با کد/فرمول به یک واحد تبدیل کردم.
- [ ] من داده های از دست رفته را جبران نکردم. من پیش بینی ها را به عنوان "پروکسی" علامت گذاری کردم.
- [ ] من موارد پرت را قبل از حذف آنها بررسی کردم.
- [ ] من شمارش های باینری ممکن را با رفتن به منبع حل کردم.
- [ ] من به صورت بصری اعداد خوانده شده از PDF/تصویر را با یک نمونه تأیید کردم.
- [ ] من هر مورد عددی را به یک رکورد ردیابی حسابرسی مرتبط کردم.